在放射学实践与研究中实施机器学习
本文阐述放射科医生评估机器学习项目需理解的概念,包括常用算法、监督与无监督技术、统计陷阱及训练与评估的数据考量,并简要描述伦理困境与法律风险;结论指出机器学习的创建、训练与监控复杂性表明算法成功需放射科医生长期参与,是参与而非替代。
要点
- 机器学习项目评估需理解常用算法、监督与无监督技术及统计陷阱。
- 训练与评估的数据考量是放射科医生参与机器学习项目的关键。
- 算法成功需放射科医生多年参与,导向参与而非替代。
核心结论
- 机器学习包含一类广泛的计算机程序,随经验而改进。
- 创建、训练和监控机器学习的复杂性表明算法成功将需要放射科医生多年参与,导致参与而非替代。
研究设计与样本
- 本文为概念性综述,旨在描述放射科医生评估机器学习项目应理解的概念。
临床应用与阅片要点
- 放射科医生评估机器学习项目时需理解常用算法、监督与无监督技术及统计陷阱。
- 训练与评估的数据考量是放射科医生参与机器学习项目的要点。
- 机器学习项目涉及伦理困境与法律风险,需简要了解。
局限性
- 原文未报告局限性
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
OBJECTIVE: The purposes of this article are to describe concepts that radiologists should understand to evaluate machine learning projects, including common algorithms, supervised as opposed to unsupervised techniques, statistical pitfalls, and data considerations for training and evaluation, and to briefly describe ethical dilemmas and legal risk.
CONCLUSION: Machine learning includes a broad class of computer programs that improve with experience. The complexity of creating, training, and monitoring machine learning indicates that the success of the algorithms will require radiologist involvement for years to come, leading to engagement rather than replacement.
引用
- Kohli M, Prevedello LM, Filice RW, et al. Implementing Machine Learning in Radiology Practice and Research. AJR Am J Roentgenol. 2017. PMID: 28125274. doi:10.2214/AJR.16.17224
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。